基于主成分分析和神经网络对作者影响力的评估

doi:10.3772/j.issn.1000-0135.2019.07.005

情报学报

2019, Vol. 38

Issue (7): 709-715 DOI: 10.3772/j.issn.1000-0135.2019.07.005

情报理论与应用

本期目录 | 过刊浏览 | 高级检索

基于主成分分析和神经网络对作者影响力的评估

李勤敏, 郭进利

上海理工大学管理学院，上海 200093

Evaluation of Authors Influence Based on Principal Component Analysis and a Neural Network

Li Qinmin, and Guo

Business School, University of Shanghai for Science and Technology, Shanghai 200093

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (800 KB) HTML (179 KB)
输出: BibTeX | EndNote (RIS)

摘要为了更合理地评价科研人员的学术影响力，本文考虑了6个作者影响力因子，并用多元统计方法综合为一个评价作者影响力的指标。首先，提出和改进与影响力有关的各个影响因子；然后，用主成分分析法提取主成分，用加权秩和比法综合各个主成分；最后，用神经算法学习预测，得出预测模型。对291个作者进行实证分析，对比传统指标发现：改进指标具有良好的区分性、相关性和综合性，能够更加全面地对科研人员的影响力进行评价。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	李勤敏
	郭进利

关键词 ： H指数, 主成分分析法, 加权秩和比, 神经网络, 影响力评价

收稿日期: 2018-06-05

基金资助:国家自然科学基金项目“超网络及其零行列式策略博弈演化机制研究”（71571119）。

作者简介: 李勤敏，女，1994年生，硕士研究生，主要研究方向为复杂网络

引用本文:

李勤敏, 郭进利. 基于主成分分析和神经网络对作者影响力的评估[J]. 情报学报, 2019, 38(7): 709-715.
Li Qinmin, and Guo. Evaluation of Authors Influence Based on Principal Component Analysis and a Neural Network. 情报学报, 2019, 38(7): 709-715.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2019.07.005 或 https://qbxb.istic.ac.cn/CN/Y2019/V38/I7/709

1 叶鹰, 唐健辉, 赵星, 等. h指数与h型指数研究[M]. 北京: 科学出版社, 2011: 6-7, 21-22.
2 MurrayA G, WardehM, McintyreK M. Using the H-index to assess disease priorities for salmon aquaculture[J]. Preventive Veterinary Medicine, 2016, 126: 199-207.
3 JamjoomA A B, WigginsA N, loanJ J M, et al. Academic productivity of neurosurgeons working in the United Kingdom: Insights from the H-Index and its variants[J]. World Neurosurgery, 2016, 86: 287-293.
4 EggheL. Dynamic h-index: The Hirsch index in function of time[J]. Journal of the American Society for Information Science and Technology, 2007, 58(3): 452-454.
5 彭爱东, 于倩倩. h指数、g指数和累积影响因子在期刊评价中的相关性研究——以综合性社科期刊为例[J]. 情报科学, 2012, 30(11): 1645-1651.
6 WürtzM, SchmidtM. The stratified H-index[J]. Annals of Epidemiology, 2016, 26(4): 299-300.
7 邱玉婷, 李济沅, 邓旭, 等. 基于改进TOPSIS-RSR法的电能质量综合评价[J]. 高压电器, 2018, 54(1): 44-50.
8 郑航. 基于改进主成分分析法的Topsis在学术期刊评价中的应用研究[J]. 重庆工商大学学报(自然科学版), 2018, 35(1): 91-97.
9 禹建丽, 黄鸿琦, 苗满香. 基于主成分分析与神经网络的多响应参数优化[J]. 系统仿真学报, 2018, 30(1): 176-183, 190.
10 何晓群. 应用多元统计分析[M]. 第2版. 北京: 中国统计出版社, 2015: 210-213.
11 何伟军, 孔阳, 崔勇, 等. 基于主成分分析法的我国用电量的影响因素分析[J]. 数学的实践与认识, 2018, 48(1): 67-74.
12 WangZ J, DangS N, XingY, et al. Applying rank sum ratio (RSR) to the evaluation of feeding practices behaviors, and its associations with infant health risk in rural Lhasa, Tibet[J]. International Journal of Environmental Research and Public Health, 2015, 12(12): 15173-15181.
13 张德丰. MATLAB神经网络编程[M]. 北京: 化学工业出版社, 2011: 132-133.
14 闻新, 李新, 张兴旺. 应用MATLAB实现神经网络[M]. 北京: 国防工业出版社, 2015: 109-130.
15 戴雯, 张治惠. 基于BP神经网络的上市公司财务绩效评价[J]. 阴山学刊(自然科学版), 2018, 32(3): 116-119.
16 朱彦. 家庭服务机器人整体造型感性设计的BP神经网络应用[J]. 包装工程, 2018, 39(4): 151-154.
17 王雨, 郭进利. 基于灰色关联分析的作者影响力综合评价方法[J]. 情报杂志, 2017, 36(3): 185-190, 184.
18 信桂新, 杨朝现, 杨庆媛, 等. 用熵权法和改进TOPSIS模型评价高标准基本农田建设后效应[J]. 农业工程学报, 2017, 33(1): 238-249.
19 熊国经, 熊玲玲, 陈小山. 组合评价和复合评价模型在学术期刊评价优越性的实证研究[J]. 现代情报, 2017, 37(1): 81-88.